Projektleiter:	Prof. Dr.-Ing. Klaus ten Hagen
Thema:	Vorausschauende Wartung für medizinische Geräte
Mitarbeiter:	Dipl.-Inf. (FH) Toni Grütze Dipl.-Inf. (FH) Sebastian Teichgräber
Projektträger:	Applied Biosystems (www.appliedbiosystems.com)
Projektgeber:	SigmaQuest (www.SigmaQuest.com)
Laufzeit:	Beginn 2006

Beschreibung:

Die Anschaffung eines medizinischen Analysegerätes stellt eine große Investition dar. Sie werden daher meist 7 Tage pro Woche in drei Schichten genutzt. Fallen sie aus, so wird ein Wartungstechniker verständig, welcher mit einigen Ersatzteilen anreist. Wenn er die richtigen Ersatzteile mitgebracht hat, ist das Gerät somit nach 2-3 Tagen wieder einsatzbereit. Es ist das Ziel dieses Projektes die Abnutzung von Bauteilen zu erfassen und deren Ausfall vorherzusagen. Diese Vorhersagen ermöglichen die Durchführung von geplanten Wartungs­arbeiten, welche die hohen Kosten eines ungeplanten Ausfalls eines Gerätes vermeiden.

Dazu erfasst die Firma Applied Biosystems von allen instal­lierten Instru­menten eine Vielzahl von Messdaten und speichert sie in einer Daten­bank. Data Mining dieser Mess­werte und der Reparaturdaten haben ver­schiedene Ab­nutzungs­muster sichtbar gemacht.  

Ein solches Muster ist im linken Diagramm dargestellt. Die x-Achse zeigt die Zeit vor einer Reparatur, die y-Achse den Messwert und die Farb­kodierung die Wahrschein­lich­keit, dass ein Messwert in diesem Be­reich anzeigt, dass eine be­stimmtes Bau­teil am Tage 0 ausgewechselt wird.

In dem linken Diagram sieht man die Messwerte einer Maschine bis zu drei Tagen vor dem Ausfall eines Bauelementes. Die voranschreitende Abnutzung des Bauteils ist klar zu erkennen.

Die bedingten Wahrscheinlich-keiten der relevanten Indikatoren für die zurück liegende Tage werden zusammen mit einem Kostenmodell benutzt um jeden Tag für jedes Instrument und jedes Bauteil eine kostenoptimale Reparaturempfehlung zu ber- echnen. Dies erfordert einen Kompromiss zwischen Sicher- heit der Vorsage und rechtzeitiger Warnung. Die folgende Tabelle zeigt die Einsparungen für einige Bauteile über einen Zeitraum von 600 Tagen:

#Inc gibt die Zahl der Reparaturen an. Die Zahl der Tage ohne eine Reparatur (#NoInc) und damit die Chance eine unnötige Reparaturempfehlung zu erzeugen ist mindestens 1000 mal höher. #TP gibt die Zahl der rechtzeitig erkannten Abnutzungen an, welche durch die Vermeidung von unvorhergesehenen Stillstandszeiten zu Einsparungen führen. #FP ist die Zahl der unnötigen Reparaturen, welche die Einsparungen wieder reduzieren. Die letzte Spalte zeigt aber, dass in den meisten Fällen dennoch substantielle Einsparungen erzielt werden können.

Arbeitsstand:

Diese Einsparungen sind mit 10-fold Cross-Validation verifiziert worden und statistisch signifikant. Das folgende Dia­gramm gibt einen Über­blick über die Soft­ware­architektur. Version 4.0 hat Ergebnisse erbracht mit denen der Auftraggeber sehr zufrieden ist.

Ausblick:

Es wird ein Modul erzeugt, das den Abnutzungsgrad aller Bauteile einer Maschine visualisiert um dem Wartungs-techniker eine Argumentationshilfe zu geben wenn er beim Kunden an einer – noch – vollfunktionsfähigen Maschine ein Bauteil auswechseln will. Der nächste Schritt ist diese Technologie mit anderen Anwendungsgebieten zu testen.

Diese Anwendungsgebiete sollten die folgenden Eigenschaften haben:

1. Hohe Kosten von unvorhergesehenem Stillstand
2. Eine Datenbank mit Messwerten welche die häufig ausfallenden Bauteile gut beobachtbar machen
3. Eine Datenbank mit den Reparaturarbeiten

Weitergehende Forschungen werden die folgenden Fragen klären:

• Kann die Bedienung der Software so vereinfacht werden, dass die Anwender selber die Identifikation der Abnutzungsmuster und Optimierung der Entscheidungsregel erfolgreich durchführen können?
• Wie können Bauelemente welche ausgewechselt worden sind, aber keine Abnutzungsspuren erkennen lassen aus der Berechnung der Abnutzungsmuster ausgeschlossen werden?

Parallel dazu werden die vorhandenen Data Mining Algorithmen verbessert und um anderen ergänzt.